用于数据高效加速 MRI 重建的尺度等变展开神经网络
图像与视频处理
2022-04-25 v1 计算机视觉与模式识别
机器学习
摘要
展开神经网络已为实现加速磁共振成像（MRI）重建任务的最先进重建性能和快速推理时间提供了可能。然而，这些方法依赖于完全采样扫描作为真值数据，而在许多临床医疗成像应用中获取此类数据成本高昂或不可行；因此，降低对数据的依赖是可取的。在本工作中，我们提出用尺度等变卷积神经网络对展开神经网络的近端算子建模，以提高数据效率以及对图像尺度漂移的鲁棒性，这些漂移可能源于患者解剖结构的变异性或不同 MRI 扫描仪间视场的变化。我们的方法在相同内存约束下，无论有无数据增强，在分布内和分布外尺度图像上都比最先进的展开神经网络有显著提升，且未显著增加训练或推理时间。
引用
@article{arxiv.2204.10436,
title = {Scale-Equivariant Unrolled Neural Networks for Data-Efficient Accelerated MRI Reconstruction},
author = {Beliz Gunel and Arda Sahiner and Arjun D. Desai and Akshay S. Chaudhari and Shreyas Vasanawala and Mert Pilanci and John Pauly},
journal= {arXiv preprint arXiv:2204.10436},
year = {2022}
}